8+肿瘤+多组机器学习+分型。

今天给同学们分享一篇肿瘤+多组机器学习+分型的生信文章“Integrated multiomics analysis and machine learning refine molecular subtypes and prognosis for muscle-invasive urothelial cancer”，这篇文章于2023年6月5日发表在Mol Ther Nucleic Acids期刊上，影响因子为8.8。

肌浸润性尿路上皮癌（MUC）具有高侵袭性和显著的异质性，目前缺乏高度精确的个体化治疗选择。作者使用计算流程对MUC患者的多组学数据进行综合分析，采用10种聚类算法，并结合10种机器学习算法，以识别高分辨率的分子亚群，并开发出一个稳健的共识机器学习驱动签名（CMLS）。

1. MUC的多组学共识预后相关分子亚型

这项研究的工作流程如图1所示。在对所有数据进行有效预处理后，作者通过主成分分析（PCA）进一步验证了作者的结果，以分析处理批次效应前后的数据。作者独立地从10个多组学集成聚类算法中确定了三个亚型，并通过综合参考聚类预测指数、间隙统计分析、轮廓分数和以往的研究经验来确定亚型的数量。然后，通过共识集成方法进一步结合了转录组（mRNA、lncRNA和miRNA）、表观遗传甲基化和体细胞突变的独特分子表达模式来得到聚类结果（图2A-2C）。作者的分类系统与总体生存率（OS）密切相关（p < 0.001；图2D）。值得注意的是，在所有评估的亚型中，癌症亚型2（CS2）表现出最有利的生存结果。

图1 建立CMLS的计算框架

图2 MUC的多组学整合共识亚型

2.&nbsp;MUC整合共识分子亚型的分割

目前，大多数MUC的分子亚型是根据分子表达水平进行分类的，可能与特定的生物功能有关。因此，作者还尝试探索这些CS的不同分子特征。单样本基因集富集分析（ssGSEA）算法测量了样本中不同分子标志物的富集程度。有趣的是，作者发现在CS2中明显富集了如腺上皮分化和尿路上皮分化等途径，而在CS3中明显富集了如基底分化和免疫分化等途径，这表明CS2可能更容易倾向于目前认可的腺上皮样亚型，而CS3更倾向于基底样亚型。此外，不同亚型对特定治疗的反应也存在较大差异，如CS2中明显富集了免疫抑制性致癌途径，而C